エージェントを構成するモジュール群は、エレクトロニクスを含む製造現場で実装を重ねてきました。エージェントが現場をどう変えるかを、シナリオでご紹介します。
これまで
担当者がMES・AOI・SPI・実装機ログから手作業でデータを集め、会議は数字の確認で終わる。
これから
会議は「打ち手の判断」に。原因特定が早くなり、判断の根拠が残る。
1
Detect
夜間に不良率上昇と不良モードの偏りを検知
2
Analyze
印刷・実装・リフロー条件、号機、部品ロットとの関係を解析
3
Propose
根拠・信頼度つきの報告書を会議前に配信
歩留まり解析レポート
イメージ不良分布（基板マップ）
原因候補と信頼度
これまで
製品ごとにゼロから条件出し。量産安定まで数週間、類似品の記録は担当者の記憶とファイルサーバーの中。
これから
条件出しが標準化され、量産安定までが短くなる。
1
Knowledge
部品構成・基板仕様から類似製品と不具合履歴を提示
2
Process
実績から初期条件と感度を提案し、条件表を起票
3
Yield & Quality
立ち上げ後のデータを監視し、逸脱を早期に是正
工程条件の提案
イメージ条件と品質の感度
号機補正値
| リフロー炉 #1 | +0.3 |
| リフロー炉 #2 | −0.2 |
| リフロー炉 #3 | +0.1 |
| リフロー炉 #4 | ±0 |
これまで
過検出で目視再検査が常態化。判定は検査員ごとに揺れ、新しい不良パターンに分類が追いつかない。
これから
再検査工数が下がり、判定が人に依存しない。見逃しリスクが見える。
1
Detect
良品学習で過検出候補を抑制
2
Propose
未知の不良パターンを検出し、分類追加を提案
3
Approve
品質担当が承認すると全ライン・拠点に反映
検査判定レビュー
イメージ欠陥画像の分類結果
これまで
部品の EOL で代替品に切り替えるたび、影響確認を担当者の記憶とメール検索に頼る。
これから
変更判断が速くなり、同じ不具合を繰り返さない。
1
Detect
部品変更通知を受け取り、関連製品・工程を特定
2
Analyze
過去の類似変更とその後の不具合・条件変更を検索
3
Propose
影響一覧と確認事項を根拠つきで提示
根拠つき回答
イメージ質問
この不良は過去にどの工程で、どう対処したか？
回答
根拠
対象工程の選び方、データ接続の可否、PoCの進め方まで、課題の整理段階からご相談いただけます。
